CN105912854B - 一种机械结构动载荷识别的稀疏表征方法 - Google Patents
一种机械结构动载荷识别的稀疏表征方法 Download PDFInfo
- Publication number
- CN105912854B CN105912854B CN201610221390.4A CN201610221390A CN105912854B CN 105912854 B CN105912854 B CN 105912854B CN 201610221390 A CN201610221390 A CN 201610221390A CN 105912854 B CN105912854 B CN 105912854B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- sparse representation
- dynamic loading
- mechanical structure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种机械结构动载荷识别的稀疏表征方法，用于解决动载荷识别反问题的病态特性，克服当前函数逼近法需要预先确定基函数数目的缺点，包括以下步骤：1)采用锤击法测量机械结构动载荷作用点与机械结构响应点间的频响函数，经过处理获得传递矩阵；2)测量由作用于机械结构的动载荷产生的响应信号；3)根据动载荷形貌，选择基函数构造稀疏表征字典；4)构造基于L1范数的动载荷识别的稀疏表征模型；5)求解动载识别的稀疏表征模型，获得动载荷稀疏表征系数矢量；6)获得识别的动载荷。本发明能够有效识别作用在机械结构的冲击、简谐载荷，与传统基于L2范数的Tikhonov正则化方法相比，具有识别精度高、稳定性强的优点。
Description
技术领域
本发明属于机械结构振源识别领域，具体涉及一种机械结构动载荷识别的稀疏表征方法。
背景技术
动载荷识别在动力学优化设计、可靠性分析、声振传递路径分析、振动主被动控制、机械故障诊断与结构健康监测等领域中起着关键性作用。机械结构动载荷识别是振动系统动力学响应分析的逆过程。动载荷的获取主要有两种方式，即直接测量法和间接识别法。应用力传感器直接测量结构动载荷过程最为直观，但是其明显的缺陷在于实际操作过程中，一方面安装力传感器的需要一定的空间，另一方面需要打破原有系统的设计，而这在实际测试过程中往往是不被允许的。特别是在极端复杂环境下，如风机叶片、飞机机翼、火箭起飞、核反应堆壳体、弹靶侵彻、海洋平台等所遭受的外来冲击载荷，受技术和经济等条件制约，这些动载荷难以甚至无法直接测量。由于结构响应的测量相对容易和准确，利用实测响应结合系统数学模型实现载荷识别正日益成为载荷获取的一种重要的间接手段。由于载荷识别反问题是严重病态的，对振动响应噪声极其敏感，因此必须采用正则化方法改善其病态程度。用于识别载荷的函数逼近法有需要预先确定基函数数目和涉及到矩阵求逆运算的缺点。
发明内容
基于此，本发明公开了一种机械结构动载荷识别的稀疏表征方法，所述方法包括以下步骤：
S100、测量机械结构动载荷作用点与机械结构响应点间的频响函数，并进一步计算传递矩阵；
S200、测量作用于机械结构的动载荷产生的响应信号；
S300、根据所述动载荷，选择基函数构造稀疏表征字典；
S400、构造基于L1范数的动载荷稀疏表征凸优化模型：
S500、求解动载荷稀疏表征凸优化模型，获得动载荷稀疏表征系数矢量。
S600、利用稀疏表征字典和动载荷稀疏表征系数矢量求解待识别的动载荷。
本发明与现有技术相比具有下列优点：
1.不同于传统的基于L2范数的截断奇异值分解、Tikhonov正则化方法，基于L1范数的动载荷识别的稀疏表征方法极大地抑制了响应噪声在识别的动载荷中的放大。
2.本发明采用Dirac脉冲函数、Db6小波、Sym4小波以及三次B样条函数稀疏表征冲击载荷；采用离散余弦基函数稀疏表征简谐载荷。与传动的基于L2范数的函数逼近法有本质区别，基于L1范数的稀疏表征方法不需要预先确定逼近基函数的数目，具有自适应确定基函数数目的能力。
3.与传统的Tikhonov正则化算法相比，稀疏解卷积迭代算法识别精度高、稳定性强。
4.本发明给出的稀疏表征模型和对应的可分近似算法，高精度和高效地解决了机械结构动载荷识别难题；
附图说明
图1是本发明一个实施例中一种机械结构动载荷识别的稀疏表征方法流程图；
图2(a)、2(b)是本发明一个实施例薄板结构动载荷识别装置示意图，其中，图2(a)冲击载荷，图2(b)简谐载荷；
图3是本发明一个实施例六个测点的加速度冲击响应信号；
图4(a)、4(b)、4(c)、4(d)、4(e)、4(f)是本发明一个实施例中不同测点用于反演识别的冲击载荷的正则化结果，其中，图4(a)测点R1，图4(b)测点R2，图4(c)测点R3，图4(d)测点R4，图4(e)测点R5，图4(f)测点R6；
图5(a)、5(b)是本发明一个实施例中150Hz正弦载荷的正则化结果，其中，图5(a)全时域识别结果，图5(b)局部放大结果；
图6(a)、6(b)是本发明一个实施例中80Hz方波载荷的正则化结果，其中，图6(a)全时域识别结果，图6(b)局部放大结果。
具体实施方式
下面结合附图及具体实施例对本发明作进一步描述，应该强调的是，下述说明仅仅是示例性的，而本发明的应用对象不局限下述示例。
在一个实施例中，本发明公开了一种机械结构动载荷识别的稀疏表征方法，其特征在于，所述方法包括以下步骤：
S100、测量机械结构动载荷作用点与机械结构响应点间的频响函数，并进一步计算传递矩阵；
S200、测量作用于机械结构的动载荷产生的响应信号；
S300、根据所述动载荷，选择基函数构造稀疏表征字典；
S400、构造基于L1范数的动载荷稀疏表征凸优化模型：
S500、求解动载荷稀疏表征凸优化模型，获得动载荷稀疏表征系数矢量；
S600、利用稀疏表征字典和动载荷稀疏表征系数矢量求解待识别的动载荷。
在本实施例中，将信号稀疏表征思想应用到载荷识别领域，其基本策略是确定一个字典(变换矩阵)将时域非稀疏的载荷信号变为其他空间(如小波空间、频域空间)的稀疏信号；关键问题有：选择表征字典和确定优化算法。对于第一个问题，选择与载荷形貌匹配的基函数尤为重要，传统的函数逼近法所采用的基函数如Daubechies小波、Chebyshev多项式和三次B样条函数，均可以应用到载荷稀疏表征中。稀疏表征和函数逼近载荷识别方法的本质区别：前者是在L1范数框架下最小化系数向量的非零数目，尽可能选择较少的基函数数目表示未知动载荷，达到信号稀疏表征的目的；而后者是在L2范数框架下最小化响应残差，达到全局能量最小化的目的。前者需要预先确定逼近载荷的基函数数目，而过多或者过少的基函数数目均可导致所得结果无效；后者通过最小化系数向量的非零个数，基函数数目自适应地被确定。对于第二个问题，基于L1范数的动载荷稀疏表征所构建的目标函数是凸的，因此可借助比较成熟的凸优化算法进行求解。
本实施例提供了一个通用的动载荷识别(包含冲击和简谐)的稀疏表征方法，用于解决动载荷识别反问题的病态特性，用于克服当前函数逼近法需要确定基函数数目的缺点，以高精度地求解动载荷识别不适定性反问题。
在本实施例中，根据动载荷选择基函数具体为：简谐载荷可由正弦、余弦函数匹配逼近；冲击载荷可由时域紧支的小波函数匹配逼近。
在一个实施例中，所述步骤S100具体包括以下步骤：
S101、测量机械结构动载荷作用点与机械结构加速度响应点间的频响函数H(ω)；
S102、对所述频响函数H(ω)通过快速傅里叶逆变换得到单位脉冲响应函数h(t)，其中，ω表示圆频率变量，t表示时间变量；
S103、对单位脉冲响应函数h(t)进行离散化获得传递矩阵H。
本实施例中，频响函数的测量方法主要有力锤锤击法和激振器激励法，其中锤击法相对方便，本实施例中优先选择锤击法测量频响函数。
在一个实施例中所述步骤S200中采用传感器测量作用于机械结构的动载荷产生的响应信号。
在本实施例中，采用加速度传感器测量作用于机械结构的动载荷产生的相应信号，也可采用速度、位移或应变传感器测量振动响应。
在一个实施例中所述步骤S300中：
针对冲击载荷，基函数从以下选择：Dirac脉冲函数、Db6小波、Sym4小波以及三次B样条函数；
针对简谐载荷识别，基函数选择：离散余弦基函数。
在一个实施例中，所述步骤S400中所述的凸优化模型为：
其中，||g||2表示向量的L2范数，||g||1表示向量的L1范数，x为动载荷稀疏表征系数，系数矩阵A＝HΦ，λ表示正则化参数，H系统传递矩阵，Φ为字典矩阵，其矩阵的列矢量是基函数，y为载荷响应矢量。
在一个实施例中，利用可分近似稀疏重构算法求解所述步骤S500，具体包括以下步骤：
S501、初始化动载荷稀疏表征系数x0＝0、初始迭代步长α0＝1、目标正则化参数两个终止阈值分别设置为ε1＝10-5和ε2＝10-7；其中，||·||∞表示无穷大范数；
S502、更新中间正则化参数λk；
S503、更新当前动载荷稀疏表征系数矢量xk+1：
S504、更新迭代步长αk：
S505：判断内层循环是否满足第一个终止循环准则：
若当前动载荷稀疏表征系数矢量xk+1满足上式终止准则，则进入步骤S506；否则，返回步骤S503继续内层循环，直到满足上式；
S506：判断外层循环是否满足第二个终止循环准则，以及当前正则化参数λk是否为目标正则化参数
若当前动载荷稀疏表征系数矢量xk+1满足上式终止准则，且当前正则化参数λk等于目标正则化参数则可获得优化的动载荷稀疏表征系数矢量xk+1；否则，返回步骤吧S502继续循环，直到满足上式终止准则。
在本实施例中，当相邻两个迭代步骤中得到的目标函数之间没有明显的变化时，迭代过程可以终止。
在一个实施例中，所述步骤S600具体为：将动载荷稀疏表征系数矢量x与字典矩阵Φ相乘获得识别的动载荷：
f＝Φx
其中f表示待识别动载荷，Φ表示字典矩阵，x表示动载荷稀疏表征系数矢量。
在一个实施例中，所述步骤S502中利用下式更新正则化参数λk
在一个实施例中，所述步骤S503中利用下式更新当前动载荷稀疏表征系数矢量xk+1：
xk+1＝soft(xk-AT(Axk-y)/αk，λ/αk)
其中，软阈值滤波函数定义如下：
其中，u为要滤波的变量，a是滤波的阈值。
在一个实施例中，所述步骤S504中利用下式更新迭代步长αk：
在一个实施例中，提供一种机械结构动载荷识别的稀疏表征方法，用于解决动载荷识别反问题的病态特性，用于克服当前函数逼近法需要确定基函数数目的缺点，以高精度地求解动载荷识别不适定性反问题。
为达到上述目的，本实施例采用的技术方案是，一种机械结构动载荷识别的稀疏表征方法，其特征在于，将当前科学界和工程界广泛关注的基于L1范数的稀疏理论应用到载荷识别领域，根据载荷形貌构造各类字典，采用可分近似稀疏重构算法求解稀疏表征模型，该方法具体包括如下步骤：
1)测量频响函数(Frequency Response Functions，FRFs)和计算传递矩阵。采用锤击法测量机械结构动载荷作用点与机械结构加速度响应点间的FRFsH(ω)，通过快速傅里叶逆变换(Inverse Fast Fourier Transform，IFFT)得到单位脉冲响应函数(ImpulseResponse Function，IRF)h(t)，进而离散化获得传递矩阵H，其中，ω表示圆频率变量，t表示时间变量；
2)施加动载荷和测量机械结构加速度响应，采用加速度传感器测量由作用于机械结构的动载荷产生的加速度响应信号y；
3)确定字典矩阵Φ。根据待识别冲击载荷形貌，选择基函数构造字典矩阵。比如，针对冲击载荷，四种具有时域紧支性质的基函数，即Dirac脉冲函数、Db6小波、Sym4小波以及三次B样条函数，分别构造为字典矩阵；针对简谐载荷识别，离散余弦基函数构造为字典矩阵；
4)构造基于L1范数的稀疏表征凸优化模型：
其中，||g||2表示向量的L2范数，||g||1表示向量的L1范数，x为稀疏表征稀疏，系数矩阵A＝HΦ，λ表示正则化参数；
5)利用可分近似稀疏重构算法求解动载荷稀疏表征模型，其具体有如下步骤：
初始化：令动载荷稀疏表征系数矢量x0＝0、初始迭代步长α0＝1、目标正则化参数可接受的容差分别设置为ε1＝10-5和ε2＝10-7。其中，||·||∞表示无穷大范数；
步骤51)：根据自适应连续性策略更新中间正则化参数λk：
步骤52)：利用迭代阈值算法更新当前动载荷稀疏表征系数矢量xk+1：
xk+1＝soft(xk-AT(Axk-y)/αk，λ/αk) (3)
其中，软阈值滤波函数定义如下：
步骤53)：更新迭代步长αk：
步骤54)：判断内层循环，是否满足第一个终止循环准则：
若当前动载荷稀疏表征系数矢量xk+1满足上式终止准则，则进入步骤55)；否则，返回步骤52)继续内层循环，直到满足上式；
55)步骤4：判断外层循环是否满足第二个终止循环准则，以及当前正则化参数λk是否为目标正则化参数
若当前动载荷稀疏表征系数矢量xk+1满足上式终止准则，且当前正则化参数λk等于目标正则化参数则可获得优化的动载荷稀疏表征系数矢量xk+1；否则，返回步骤51)继续循环，直到满足上式；
6)将动载荷稀疏表征系数矢量x与字典矩阵Φ相乘获得识别动载荷：
f＝Φx (8)
在一个实施例中，图1是本发明完成的一种机械结构动载荷识别的稀疏表征方法的流程图，该方法将时域非稀疏的信号转为其他空间的稀疏信号，构建动载荷的稀疏表征模型，通过可分近似稀疏重构算法进行求解，实现了动载荷识别的目的，具体步骤如下：
1)测量频响函数(Frequency Response Functions，FRFs)和计算传递矩阵。采用锤击法(一种试验模态测试方法)测量机械结构动载荷作用点与机械结构加速度响应点间的频响函数H(ω)，通过快速傅里叶逆变换(Inverse Fast Fourier Transform，IFFT)得到单位脉冲响应函数(Impulse Response Function，IRF)h(t)，进而离散化获得传递矩阵H。其中，ω表示圆频率变量，t表示时间变量；其中，所述锤击法为本领域常用的试验模态测试方法；
11)用于实验验证冲击和简谐载荷稀疏表征模型的悬臂薄板结构如图2(a)、2(b)所示。薄板固定端由若干螺栓紧紧地压紧，其它边均为自由状态。悬臂板材料是45号钢，尺寸参数：长度500mm、宽度600mm、厚度5mm。薄板上表面被均匀的划分25个网格节点。冲击载荷作用在悬臂薄板上表面(见图2(a))，其中六个节点安放了加速度传感器(型号：PCB333B32，灵敏度：100mv/g)，分别被标记为R1～R6。简谐载荷作用在悬臂薄板下表面(见图2(b))，其中仅测点R1用于识别简谐载荷。
12)测量冲击载荷作用点与六个响应点之间加速度频响函数。在无噪声的实验室环境下，采用型号PCB 086C02的脉冲力锤(锤头顶部嵌有力传感器)，重复敲击作用点五次，同时由LMS SCADASIII数据采集系统同步记录冲击力和六个加速度响应信号，由LMSIMPACT模块计算得到FRFs H(ω)；
13)测量简谐载荷作用点与一个响应点之间的加速度频响函数。在无噪声的实验室环境下，采用型号PCB 086C02的脉冲力锤(锤头顶部嵌有力传感器)，重复敲击作用点五次，同时由LMS SCADASIII数据采集系统同步记录冲击力和加速度响应信号，由LMS IMPACT模块计算得到FRFs H(ω)；
2)施加动载荷和采集机械结构加速度响应；
21)施加冲击载荷。应用同一个冲击力锤，连续敲击悬臂薄板多次(如图2(a)所示位置)，且当前冲击在上次冲击未彻底衰减时施加，并同时由LMS SCADASIII数据采集系统以2048Hz的采样频率同步记录加速度信号和冲击载荷信号；六个加速度传感器测量的信号如图3所示，从中可知，每一个冲击响应信号都是快速震荡衰减的，截取的数据长度为2050、冲击持续时间为1s，并且包含前次冲击的信号(在这里称为“有色噪声”)；注意该步骤施加冲击载荷的作用点与步骤12)测量频响函数的作用点一致，同时加速度位置始终保持不变；
22)施加简谐载荷。选用型号为PCB K2007E01激振器，分别以150Hz正弦和80Hz方波形式激励悬臂薄板(如图2(b)所示)，激振器输入的动载荷由激振杆顶端的力传感器采集，并同时由LMS SCADASIII数据采集系统以2048Hz的采样频率同步记录加速度信号和简谐动载荷信号。用于反演的响应数据长度为2050、持续时间为1s。注意该步骤施加动载荷的作用点与步骤13)测量频响函数的作用点一致，同时加速度位置始终保持不变；
3)确定字典矩阵Φ。根据待识别冲击载荷形貌，选择基函数构造字典矩阵。比如，针对冲击载荷，四种具有时域紧支性质的基函数，即Dirac脉冲函数、Db6小波、Sym4小波以及三次B样条函数，分别构造为字典矩阵；针对简谐载荷识别，离散余弦基函数构造为字典矩阵，稀疏表征正弦载荷和方波载荷；
4)构造基于L1范数的稀疏解卷积凸优化模型：
其中，||g||2表示向量的L2范数，||g||1表示向量的L1范数，x为动载荷稀疏表征系数矢量，系数矩阵A＝HΦ，λ表示正则化参数；
5)利用可分近似稀疏重构算法求解动载荷稀疏表征模型，其具体有如下步骤：
初始化：令动载荷稀疏表征系数矢量x0＝0、初始迭代步长α0＝1、正则化参数λ＝0.02||HTy||∞、两个终止阈值分别设置为ε1＝10-5和ε2＝10-7。其中，||·||∞表示无穷大范数；
步骤51)：根据自适应连续性策略更新中间正则化参数λk：
步骤52)：利用迭代阈值算法更新当前动载荷稀疏表征系数矢量xk+1：
xk+1＝soft(xk-AT(Axk-y)/αk，λ/αk) (3)
其中，软阈值滤波函数定义如下：
其中，u为要滤波的变量，a是设定的滤波的阈值。
步骤53)：更新迭代步长αk：
步骤54)：判断内层循环，是否满足第一个终止循环准则：
若当前动载荷稀疏表征系数矢量xk+1满足上式终止准则，则进入步骤55)；否则，返回步骤52)继续内层循环，直到满足上式；上式意味着当相邻两个迭代步骤中得到的目标函数之间没有明显的变化时，迭代过程可以终止。
步骤55)：判断外层循环是否满足第二个终止循环准则，以及当前正则化参数λk是否为目标正则化参数
若当前动载荷稀疏表征系数矢量xk+1满足上式终止准则，且当前正则化参数λk等于目标正则化参数则可获得优化的动载荷稀疏表征系数矢量xk+1；否则，返回步骤51)继续循环，直到满足上式终止准则。
6)将稀疏表征系数矢量x与字典矩阵Φ相乘获得动载荷的稀疏表征解：
f＝Φx (8)
61)如图4(a)-4(f)显示了稀疏表征算法SpaRSA用四个基函数(Dirac脉冲函数、Db6、Sym4以及三次B样条函数(Cubic)稀疏表征的冲击载荷、Tikhonov(Tikh)正则化方法识别的冲击载荷。嵌入力锤顶端的力传感器实测载荷作为真实值(Exact)也显示在瀑布图4(a)-4(f)中，可知，实测冲击载荷在时间区间[0，1]s是一个典型的脉冲信号，即本身就具有时域稀疏性。在这种情况下，稀疏字典是不需要的。为了验证本发明稀疏表征方法的可行性，除了Dirac基函数，仍选择其他三个基函数来稀疏表征冲击载荷。对于单次冲击载荷，峰值力在t＝0.2607s达到最大值。由图4(a)-4(f)可知，SpaRSA用六个测点和四个字典的稀疏表征结果均与实测载荷高度吻合；相反，Tikhonov用六个测点反演的动载荷均与实测载荷相差很大，这种差距从图4(a)-4(f)中峰值的比较就显而易见。因此，SpaRSA可以用所选的四个字典矩阵从高度污染的测量响应(振动系统初始状态非静止)中稀疏表征冲击载荷的时间历程，而当测量响应中的误差较大时，Tikhonov正则化方法无法有效重构冲击载荷。
62)图5(a)、5(b)和图6(a)、6(b)分别是150Hz正弦载荷和80Hz方波载荷由稀疏表征算法SpaRSA用离散余弦基函数稀疏表征的结果，同时给出了基于L2范数的Tikhonov方法识别结果。可知，在两种简谐激励形式中，基于L1范数的稀疏表征方法SpaRSA应用离散余弦基函数均可高精度地重构载荷，而基于L2范数的Tikhonov正则化方法的结果严重偏离实测载荷。两种方法的差距在图右边的局部识别结果中更加明显。
71)为了定量评价两种正则化方法的识别精度，定义识别载荷全局时域相对误差：
以及冲击载荷的峰值相对误差：
其中，fexact和fidentified分别是力传感器实测的动载荷和载荷识别方法重构的动载荷。
下面，比较SpaRSA用不同测点和不同字典稀疏表征作用在薄板结构的冲击载荷的时域相对误差和峰值相对误差。以测点R1识别结果为例，Dirac、Db6、Sym4、三次B样条的稀疏表征载荷相对误差分别为38.10％、38.66％、40.91％和38.95％，而Tikhonov方法的相对误差高达62.31％；实测单次冲击载荷峰值力为81.21N。以测点R1反演结果为例，Dirac、Db6、Sym4、三次B样条的稀疏表征载荷的峰值分别为79.92N、77.55N、77.71N、80.94N，而Tikhonov的峰值仅仅为60.42N。Dirac、Db6、Sym4、三次B样条字典的非零个数(参与表征载荷的基函数数目)分别339、187、220和278。
正弦和方波载荷的稀疏表征结果的相对误差分别为13.34％和17.43％，而对应的Tikhonov结果的相对误差分别高达40.24％和41.59％。因此，可知稀疏表征方法SpaRSA利用离散余弦基函数稀疏表征的简谐载荷精度远高于经典的Tikhonov正则化方法。另外，正弦和方波激励的动载荷稀疏表征系数矢量的非零个数(参与表征载荷的基函数数目)分别为220和312。
通过上述的悬臂薄板机械结构的冲击载荷和简谐载荷稀疏表征识别实例分析可知：根据载荷形貌选择基函数，稀疏表征方法既可用于冲击载荷识别也可用于简谐载荷识别。其中，Dirac脉冲函数、Db6、Sym4和三次B样条字典均可用于稀疏表征冲击载荷；离散余弦字典可用于稀疏表征简谐载荷。与基于L2范数的Tikhonov正则化方法相比，基于L1范数的稀疏表征方法精度更高；与基于L2范数的函数逼近方法相比，基于L1范数的稀疏表征方法通过最小化动载荷稀疏表征系数向量中的非零个数而具有自适应确定基函数数目的能力。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，以及所选择的字典函数并不局限于实施案例所列举的，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种机械结构动载荷识别的稀疏表征方法，其特征在于,所述方法包括以下步骤：
S100、测量机械结构动载荷作用点与机械结构响应点间的频响函数，并进一步计算传递矩阵；
S200、测量作用于机械结构的动载荷产生的响应信号；
S300、根据所述动载荷，选择基函数构造稀疏表征字典；
S400、构造基于L1范数的动载荷稀疏表征凸优化模型，凸优化模型为：
<mrow>
<munder>
<mrow>
<mi>min</mi>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>z</mi>
<mi>e</mi>
</mrow>
<mi>x</mi>
</munder>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>y</mi>
<mo>-</mo>
<mi>H</mi>
<mi>&Phi;</mi>
<mi>x</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>x</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>y</mi>
<mo>-</mo>
<mi>A</mi>
<mi>x</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>x</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>;</mo>
</mrow>
其中，||·||2表示向量的L2范数，||·||1表示向量的L1范数，x为动载荷稀疏表征系数，系数矩阵A＝HΦ，λ表示正则化参数，H系统传递矩阵，Φ为字典矩阵，其矩阵的列矢量是基函数，y为载荷响应矢量：
S500、求解动载荷稀疏表征凸优化模型以获得动载荷稀疏表征系数矢量，利用可分近似稀疏重构算法求解动载荷稀疏表征凸优化模型，具体包括以下步骤：
S501、初始化；令动载荷稀疏表征系数x0＝0、初始迭代步长α0＝1、目标正则化参数两个终止阈值分别设置为ε1＝10-5和ε2＝10-7；其中，||·||∞表示无穷大范数；
S502、更新中间正则化参数λk；
S503、更新当前动载荷稀疏表征系数矢量xk+1：
S504、更新迭代步长αk：
S505：判断内层循环是否满足第一个终止循环准则：
<mrow>
<mfrac>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&le;</mo>
<msub>
<mi>&epsiv;</mi>
<mn>1</mn>
</msub>
</mrow>
若当前动载荷稀疏表征系数矢量xk+1满足上式终止准则，则进入步骤S506；否则，返回步骤S503继续内层循环，直到满足上式；
S506：判断外层循环是否满足第二个终止循环准则，以及当前正则化参数λk是否为目标正则化参数
若当前动载荷稀疏表征系数矢量满足上式终止准则，且当前正则化参数λk等于目标正则化参数则获得优化的动载荷稀疏表征系数矢量xk+1，否则，返回执行步骤S502至S505，直到满足S506中的终止准则；
S600、利用稀疏表征字典和动载荷稀疏表征系数矢量求解待识别的动载荷。
2.根据权利要求1所述的方法，其特征在于，所述步骤S100具体包括以下步骤：
S101、测量机械结构动载荷作用点与机械结构加速度响应点间的频响函数H(ω)；
S102、对所述频响函数H(ω)通过快速傅里叶逆变换得到单位脉冲响应函数h(t)，其中，ω表示圆频率变量，t表示时间变量；
S103、对单位脉冲响应函数h(t)进行离散化获得传递矩阵H。
3.根据权利要求1所述的方法，其特征在于：所述步骤S200中采用传感器测量作用于机械结构的动载荷产生的响应信号。
4.根据权利要求1所述的方法，其特征在于，所述步骤S300中：
针对冲击载荷，基函数从以下选择：Dirac脉冲函数、Db6小波、Sym4小波以及三次B样条函数；
针对简谐载荷识别，基函数选择：离散余弦基函数。
5.根据权利要求1所述的方法，其特征在于：所述步骤S600具体为：将动载荷稀疏表征系数矢量x与字典矩阵Φ相乘获得识别的动载荷：
f＝Φx
其中，f表示待识别动载荷，Φ表示字典矩阵，x表示动载荷稀疏表征系数矢量。
6.根据权利要求1所述的方法，其特征在于：所述步骤S502中利用下式更新正则化参数λk
<mrow>
<msub>
<mi>&lambda;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>max</mi>
<mo>{</mo>
<mn>0.2</mn>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>A</mi>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>Ax</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mo>|</mo>
<mi>&infin;</mi>
</msub>
<mo>,</mo>
<mover>
<mi>&lambda;</mi>
<mo>&OverBar;</mo>
</mover>
<mo>}</mo>
<mo>.</mo>
</mrow>
7.根据权利要求1所述的方法，其特征在于，所述步骤S503中利用下式更新当前动载荷稀疏表征系数矢量xk+1：
xk+1＝soft(xk-ΑT(Αxk-y)/αk,λ/αk)
其中，软阈值滤波函数定义如下：
其中，u为待滤波的变量，a是设定的滤波的阈值。
8.根据权利要求1所述的方法，其特征在于，所述步骤S504中利用下式更新迭代步长αk：
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mi>A</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>/</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>.</mo>
</mrow>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610221390.4A CN105912854B (zh) | 2016-04-11 | 2016-04-11 | 一种机械结构动载荷识别的稀疏表征方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610221390.4A CN105912854B (zh) | 2016-04-11 | 2016-04-11 | 一种机械结构动载荷识别的稀疏表征方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105912854A CN105912854A (zh) | 2016-08-31 |
| CN105912854B true CN105912854B (zh) | 2018-05-15 |
Family
ID=56745814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610221390.4A Expired - Fee Related CN105912854B (zh) | 2016-04-11 | 2016-04-11 | 一种机械结构动载荷识别的稀疏表征方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105912854B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503730B (zh) * | 2016-09-30 | 2019-05-14 | 暨南大学 | 一种基于级联字典与稀疏正则化的桥梁移动荷载识别方法 |
| CN106596025B (zh) * | 2016-12-06 | 2019-07-02 | 招商局重庆交通科研设计院有限公司 | 基于冲激响应的公路隧道悬挂风机基础稳定性检测方法及系统 |
| CN107480097B (zh) * | 2017-06-27 | 2020-03-31 | 西安交通大学 | 非线性机械结构的载荷识别方法及载荷识别设备 |
| CN107808056A (zh) * | 2017-10-30 | 2018-03-16 | 四川长虹空调有限公司 | 空调压缩机配管振动可靠性评估方法 |
| CN108920766B (zh) * | 2018-06-05 | 2020-07-28 | 厦门大学 | 一种基于基函数表示和稀疏正则化的桥梁影响线识别方法 |
| CN108875243A (zh) * | 2018-06-29 | 2018-11-23 | 航天东方红卫星有限公司 | 一种基于能量灵敏度分析的声振模型修正方法 |
| CN109271687B (zh) * | 2018-09-01 | 2022-06-17 | 哈尔滨工程大学 | 一种动态载荷自适应时域识别方法 |
| CN109902408B (zh) * | 2019-03-07 | 2023-04-25 | 东北大学 | 一种基于数值运算和改进的正则化算法的载荷识别方法 |
| CN110020467B (zh) * | 2019-03-20 | 2020-12-08 | 东南大学 | 一种环形分布动载荷识别方法 |
| CN110068771B (zh) * | 2019-05-28 | 2020-02-07 | 山东大学 | 基于输出响应重构的高精度电池模型参数辨识方法及系统 |
| CN110567574B (zh) * | 2019-08-02 | 2020-11-06 | 西安交通大学 | 一种旋转叶片叶端定时振动参数辨识方法与系统 |
| CN110503015B (zh) * | 2019-08-09 | 2022-03-15 | 电子科技大学 | 一种基于局部结构保持类子字典学习的目标识别方法 |
| CN110889174A (zh) * | 2019-10-17 | 2020-03-17 | 杭州电子科技大学 | 一种基于分组稀疏性的动态载荷识别方法 |
| CN112016235B (zh) * | 2020-08-31 | 2024-03-19 | 南京航空航天大学 | 一种柔性天线结构的冲击载荷识别方法及系统 |
| CN112100894B (zh) * | 2020-10-14 | 2024-04-02 | 南京航空航天大学 | 一种柔性天线结构冲击载荷识别方法及系统 |
| CN113390591B (zh) * | 2021-05-31 | 2022-09-13 | 广西电网有限责任公司电力科学研究院 | 基于5g网络的有载分接开关机械振动检测系统及方法 |
| CN113343402B (zh) * | 2021-07-07 | 2022-05-24 | 北京航空航天大学 | 基于多层卷积稀疏编码的管道腐蚀等级评估方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103852289A (zh) * | 2014-03-10 | 2014-06-11 | 东南大学 | 空间坐标监测问题索载荷广义位移识别方法 |
| CN103954464A (zh) * | 2014-04-29 | 2014-07-30 | 清华大学 | 一种基于小波多分辨率分析的动载荷识别方法 |
| CN104075846A (zh) * | 2014-07-11 | 2014-10-01 | 湖大海捷(湖南)工程技术研究有限公司 | 一种基于计算反求技术的转子不平衡度识别方法 |
| CN104462862A (zh) * | 2015-01-06 | 2015-03-25 | 西安交通大学 | 一种基于三次b样条尺度函数的机械结构动载荷识别方法 |
| CN104537251A (zh) * | 2015-01-06 | 2015-04-22 | 西安交通大学 | 一种风机叶片的冲击载荷识别方法 |
| CN104732060A (zh) * | 2015-01-19 | 2015-06-24 | 湖南科技大学 | 一种大型风电机组叶片多重载荷在线识别方法 |
| CN105136495A (zh) * | 2015-07-23 | 2015-12-09 | 东南大学 | 精简角位移应变监测受损索载荷识别方法 |
-
2016
- 2016-04-11 CN CN201610221390.4A patent/CN105912854B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103852289A (zh) * | 2014-03-10 | 2014-06-11 | 东南大学 | 空间坐标监测问题索载荷广义位移识别方法 |
| CN103954464A (zh) * | 2014-04-29 | 2014-07-30 | 清华大学 | 一种基于小波多分辨率分析的动载荷识别方法 |
| CN104075846A (zh) * | 2014-07-11 | 2014-10-01 | 湖大海捷(湖南)工程技术研究有限公司 | 一种基于计算反求技术的转子不平衡度识别方法 |
| CN104462862A (zh) * | 2015-01-06 | 2015-03-25 | 西安交通大学 | 一种基于三次b样条尺度函数的机械结构动载荷识别方法 |
| CN104537251A (zh) * | 2015-01-06 | 2015-04-22 | 西安交通大学 | 一种风机叶片的冲击载荷识别方法 |
| CN104732060A (zh) * | 2015-01-19 | 2015-06-24 | 湖南科技大学 | 一种大型风电机组叶片多重载荷在线识别方法 |
| CN105136495A (zh) * | 2015-07-23 | 2015-12-09 | 东南大学 | 精简角位移应变监测受损索载荷识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| "不完备测点结构损伤与荷载的同步识别算法研究";张坤;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20110415(第4期);正文第14页，正文第60页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105912854A (zh) | 2016-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105912854B (zh) | 一种机械结构动载荷识别的稀疏表征方法 | |
| Mukhopadhyay et al. | Structural damage identification using response surface-based multi-objective optimization: a comparative study | |
| CN107256204B (zh) | 基于传递函数的多点振动响应频域预测的实验装置及方法 | |
| Yan | A Bayesian approach for damage localization in plate-like structures using Lamb waves | |
| Gravenkamp et al. | The computation of dispersion relations for three-dimensional elastic waveguides using the scaled boundary finite element method | |
| Nanda et al. | Vibration based structural damage detection technique using particle swarm optimization with incremental swarm size | |
| CN108802176A (zh) | 一种基于pvdf传感器与应变模态的结构损伤识别实验方法 | |
| Mao et al. | The construction and comparison of damage detection index based on the nonlinear output frequency response function and experimental analysis | |
| Xu et al. | Model-free nonlinear restoring force identification for SMA dampers with double Chebyshev polynomials: approach and validation | |
| Żółtowski et al. | The use of modal analysis in the evaluation of welded steel structures. | |
| Ni et al. | Multi-scale stochastic dynamic response analysis of offshore risers with lognormal uncertainties | |
| Jankowski | Dynamic load identification for structural health monitoring | |
| Wu et al. | Impact energy identification on a composite plate using basis vectors | |
| Rangaraj et al. | Investigations on a particle filter algorithm for crack identification in beams from vibration measurements | |
| Bause et al. | Transient modeling of ultrasonic guided waves in circular viscoelastic waveguides for inverse material characterization | |
| Souza et al. | Impact of damping models in damage identification | |
| Gao et al. | A new method for optimal regularization parameter determination in the inverse problem of load identification | |
| Liu et al. | Construction of a Mindlin pseudospectral plate element and evaluating efficiency of the element | |
| Langer | Simple vibroacoustic systems? influence of uncertainties in simulation and experiment | |
| Shao et al. | Analysis of acoustic emission signal characteristics based on the crack pattern of stress corrosion cracking | |
| Barbieri et al. | Dynamic behavior of the geodesic dome joints | |
| Goyal | Uncertainty Quantification in non-linear seismic wave propagation | |
| Ayas et al. | Dynamic analysis of a cracked bar by the method of characteristics | |
| Hou | Vibration-based structural damage identification using sparse recovery and sparse bayesian learning | |
| Sen1a et al. | Harnessing sparsity in lamb wave-based damage detection for beams |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180515 |